CN113706532A - 一种验布机的布匹缺陷位置的智能检测方法 - Google Patents

一种验布机的布匹缺陷位置的智能检测方法 Download PDF

Info

Publication number
CN113706532A
CN113706532A CN202111262488.1A CN202111262488A CN113706532A CN 113706532 A CN113706532 A CN 113706532A CN 202111262488 A CN202111262488 A CN 202111262488A CN 113706532 A CN113706532 A CN 113706532A
Authority
CN
China
Prior art keywords
sequence
column
area ratio
cloth
row
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111262488.1A
Other languages
English (en)
Other versions
CN113706532B (zh
Inventor
庄远航
韩鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Bona Textile Co ltd
Original Assignee
Nantong Bona Textile Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong Bona Textile Co ltd filed Critical Nantong Bona Textile Co ltd
Priority to CN202111262488.1A priority Critical patent/CN113706532B/zh
Publication of CN113706532A publication Critical patent/CN113706532A/zh
Application granted granted Critical
Publication of CN113706532B publication Critical patent/CN113706532B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明涉及一种验布机的布匹缺陷位置的智能检测方法，包括：获取布匹图像的花纹颜色和背景颜色；对图像进行分列处理，根据图像上的每列背景颜色的像素点个数与花纹颜色的像素点个数，获取花纹变化的最小周期；根据最小周期对图像进行分段，获取图像段中背景颜色与所述花纹颜色对应的像素点的面积比值序列；获取图像段内针织孔的连通域的中心点坐标；根据中心点坐标确定两个相邻针织孔之间的距离；根据距离获取纹理变化序列；根据纹理变化序列和面积比值序列获取描述曲线；对每个图像段的描述曲线与预设的模板描述曲线进行对比，得到缺陷位置。本方法能够快速的对待测布匹进行缺陷检测，检测效率高，检测位置精确，实用性强，值得推广。

Description

一种验布机的布匹缺陷位置的智能检测方法
技术领域
本发明涉及人工智能技术领域，特别涉及一种验布机的布匹缺陷位置的智能检测方法。
背景技术
国内在现代纺织生产中，质量控制与检测尤为重要，布匹的瑕疵检测是质量把控的关键部分。目前的验布机通过借助机械臂将布匹撑展开，然后由人工对布匹进行缺陷检测与标注。
现有技术中的验布机在对布匹进行缺陷标注时，采用阈值分割的方法对布匹进行缺陷标注的，但针对有些纹理比较大的布匹，例如针织布，由于针织布的纹理大（即针织孔大，针织用的线比较粗），采用阈值分割的方法不能快速精确地定位布匹缺陷的位置，影响缺陷的检测的效率，综上，需要提供一种验布机的布匹缺陷位置的智能检测方法予以解决上述问题。
发明内容
本发明的目的是提供一种验布机的布匹缺陷位置的智能检测方法，在于现有技术中验布机在对布匹进行缺陷标注时，由于针织布的纹理大（即针织孔大，针织用的线比较粗），采用阈值分割的方法不能快速精确地定位布匹缺陷的位置，影响缺陷的检测的效率的问题。
本发明提供了一种验布机的布匹缺陷位置的智能检测方法，包括：
获取布匹的图像中所述布匹的花纹颜色和背景颜色；
对图像进行分列处理，根据图像上的每列背景颜色的像素点个数与花纹颜色的像素点个数，获取花纹变化的最小周期，对各列图像上背景颜色的像素点和花纹颜色的像素点的个数作比，得到每列图像内背景与花纹的列面积比值q；将各列图像的列面积比值q按顺序进行排列，得到关于背景与花纹的面积比值q变化的列面积比值序列；根据所述列面积比值序列获取列面积比值q变化的最小周期，即花纹变化的最小周期；
根据最小周期对所述图像进行分段，得到多个图像段，依据列面积比值序列获取的原理获取所述图像段中所述背景颜色与所述花纹颜色对应的像素点的面积比值序列，面积比值序列包括行面积比值序列和列面积比值序列；
获取图像段内针织孔的连通域的中心点坐标，即对所述图像段进行二值化处理得到二值图像，根据二值图像获取所述图像段的纹理中的针织孔的连通域，根据针织孔的连通域获取连通域的中心点坐标；根据中心点坐标确定两个相邻针织孔之间的距离，即对图像段进行分行分列处理，获取每行两相邻连通域的中心点坐标的行距离、每列两相邻连通域的中心点坐标的列距离；根据所述距离获取纹理变化序列，即根据列距离和行距离获取每一行的行距离的极大值一及每一列的列距离的极大值二；根据极大值一设定阈值一h1、根据极大值二设定阈值二h2，以阈值一h1和阈值二h2建立对应的行纹理变化曲线和列纹理变化曲线；根据行纹理变化曲线和列纹理变化曲线获取对应的行纹理变化序列和列纹理变化序列，行纹理变化序列和列纹理变化序列即为纹理变化序列；
根据所述纹理变化序列和所述面积比值序列获取描述曲线即将行面积比值序列与对应的行纹理变化序列对应相乘，得到布匹描述的行序列j；同理将列面积比值序列与对应的列纹理变化序列对应相乘，得到布匹描述的列序列r；根据行序列j和列序列r得到布匹的行模板描述曲线和列模板描述曲线，行模板描述曲线和列模板描述曲线即为模板描述曲线；
将每个图像段的描述曲线与预设的模板描述曲线进行一致性对比，得到缺陷位置。
优选地，获取所述图像中所述布匹的花纹颜色和背景颜色的步骤包括：
将图像从RGB颜色空间转换到HSV颜色空间，去除花纹区域；
定义背景区域颜色的上下限阈值，低于下限阈值和高于上限阈值的图像值均变为0；
提取背景区域中的背景颜色，同理得到花纹区域中花纹颜色。
优选地，得到每列图像内背景与花纹的列面积比值q，将各列图像的列面积比值q按顺序进行排列，得到关于背景与花纹的面积比值q变化的列面积比值序列的步骤包括：
根据下式（1）计算面积比值q：
Figure 556149DEST_PATH_IMAGE001
（1）
面积比值序列记为序列A，利用下式（2）得到序列A：
Figure 100002_DEST_PATH_IMAGE002
（2）
其中，
Figure 776085DEST_PATH_IMAGE003
为背景像素值的个数，
Figure 100002_DEST_PATH_IMAGE004
为花纹纹理像素值的个数。
优选地，根据所述列面积比值序列获取列面积比值q变化的最小周期的步骤包括：
按照列面积比值序列中列面积比值q的顺序，统计序列A中各个相同元素的复现间隔，相同元素的复现间隔重组为一个间隔序列An；
根据下式（3）计算间隔序列An的序列个数Y：
Figure 352559DEST_PATH_IMAGE005
（3）
式（3）中，
Figure 100002_DEST_PATH_IMAGE006
表示序列A中元素的种类，
Figure 357556DEST_PATH_IMAGE007
，i表示序列A元素种类的第几个种类；
根据下式（4）计算间隔序列An中序列的权重
Figure 100002_DEST_PATH_IMAGE008
；
Figure 234245DEST_PATH_IMAGE009
（4）
式（4）中，
Figure 791128DEST_PATH_IMAGE008
表示间隔序列An的权重，
Figure 100002_DEST_PATH_IMAGE010
表示对应间隔序列An中元素的个数，Y表示间隔序列An的个数，i表示第几个间隔序列An；
根据下式（5）计算An序列中相同元素dn的权重Z
Figure 369746DEST_PATH_IMAGE011
（5）
根据权重Z和间隔序列An获取列面积比值q变化的最小周期的列数，根据最小周期的列数获取列面积比值q变化的最小周期。
优选地，根据权重Z和间隔序列An获取列面积比值q变化的最小周期的列数，根据最小周期的列数获取列面积比值q变化的最小周期的步骤包括：
当计算的权重出现Z≥0.85时，记录该权重Z对应的元素数值
Figure 100002_DEST_PATH_IMAGE012
；
当间隔序列An中所有相同元素的权重 Z＜0.85时，对间隔序列An中的元素进行累加，累加的频率初始为2，累计后得到的新序列Cn中元素的权重Z＜0.85时，重复累加操作，即n的值加1，此时n=2，直至得到的新序列Cn中某一元素的权重Z≥0.85时，记录该权重Z对应的元素数值
Figure 630963DEST_PATH_IMAGE012
；
得到下式（6）中的新序列Cn；
Figure 581732DEST_PATH_IMAGE013
（6）
式中，
Figure 100002_DEST_PATH_IMAGE014
表示新序列中的元素，
Figure 637413DEST_PATH_IMAGE015
表示间隔序列An的元素，n初始值取1，m表示An序列中第m个元素；
获取每一个权重Z≥0.85的序列Cn得到的
Figure 922901DEST_PATH_IMAGE012
值，对多个
Figure 443269DEST_PATH_IMAGE012
取众数，得到
Figure 100002_DEST_PATH_IMAGE016
，此时
Figure 294550DEST_PATH_IMAGE016
即为最小周期的列数；
最小周期的列数即为一个周期内列面积比值q的个数，根据列面积比值q的个数获取列面积比值q变化的最小周期。
优选地，依据列面积比值序列获取的原理获取所述图像段中所述背景颜色与所述花纹颜色对应的像素点的面积比值序列的步骤包括：
对所述图像段进行分行分列处理，每行宽度与分列处理的列宽一致；
获取所述图像段中所述背景颜色与所述花纹颜色对应的行像素点的行面积比值序列、所述图像段中所述背景颜色与所述花纹颜色对应的列像素点的列面积比值序列。
优选地，将每个图像段的描述曲线与预设的模板描述曲线进行一致性对比，得到缺陷位置的步骤包括：
对比每段布匹的列描述曲线和列模板描述曲线的一致性，对比每段布匹的行描述曲线和行模板描述曲线的一致性，得到异常数据，其中曲线一致性不同的即为异常数据；
分析异常数据，得出缺陷位置；根据缺陷位置，对布匹缺陷位置进行标注。
本发明的有益效果：
本发明提供的一种验布机的布匹缺陷位置的智能检测方法，通过花纹颜色和背景颜色，确定花纹变化的最小周期，根据最小周期对布匹进行分段，然后对其中一段布匹进行处理，得到背景像素点个数与花纹像素点个数的面积比值序列、两个相邻针织孔的距离变化的纹理变化序列，根据面积比值序列和纹理变化序列，得出模板描述曲线，依照上述步骤对待测布匹进行处理得到分段后的每个布匹段的描述曲线，描述曲线与模板描述曲线对比，得出缺陷位置，从而能够快速的对待测布匹进行缺陷检测，检测效率高，检测位置精确，实用性强，值得推广。
附图说明
图1为本发明方法的流程图；
图2为本发明方法中获取花纹变化的最小周期的流程图。
具体实施方式
下面结合附图1到图2，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1所示，本发明实施例提供了一种验布机的布匹缺陷位置的智能检测方法，包括：
S1、先给验布机内置图像采集模块，图像采集模块设定一定频率，将布匹送入验布机，图像采集模块采集布匹的图像，并获取布匹的图像中所述布匹的花纹颜色和背景颜色；其中布匹的行进速度选择较慢的速度，采样频率选择最高的采样频率，使得图像采集能尽可能的呈现连续的效果；
S2、由于，标准布匹的花纹肯定是呈周期性变化，即标准布匹每个周期内的花纹相同，根据布匹的花纹颜色的特征，确定花纹变化的最小变化周期，即每个周期内的花纹相同，在选用标准布匹的情况下，认为每段布匹完全相同，即对采集到的图像进行分列处理，根据图像上的每列背景颜色的像素点个数与花纹颜色的像素点个数，获取花纹变化的最小周期；
S3、根据最小周期对图像进行分段，得到多个图像段，每一个图像段就只包含花纹的一个最小周期，获取其中一个包含花纹的一个最小周期的图像段中背景颜色与所述花纹颜色对应的像素点的面积比值序列；
S4、为了对大纹理的针织孔进行处理，避免传统的阈值分割法处理大纹理慢的问题，获取包含花纹的一个最小周期的图像段内针织孔的连通域的中心点坐标；根据中心点坐标确定两个相邻针织孔之间的距离；根据所述距离获取纹理变化序列；
S5、根据所述纹理变化序列和所述面积比值序列获取描述曲线；
S6、将描述曲线与预设的模板描述曲线进行一致性对比，得到缺陷位置。
其中，S1步骤中获取布匹的图像中所述布匹的花纹颜色和背景颜色的步骤包括：
S11、将图像从RGB颜色空间转换到HSV颜色空间，去除花纹颜色；
S12、定义背景区域颜色的上下限阈值，低于下限阈值和高于上限阈值的图像值均变为0；
S13、提取背景区域中的背景颜色，同理得到花纹颜色，即除去背景颜色的即为花纹颜色。
其中，如图2所示，S2步骤中根据图像上的每列背景颜色的像素点个数与花纹颜色的像素点个数，获取花纹变化的最小周期的步骤包括：
S21、对各列图像上背景颜色的像素点和花纹区域的像素点的个数作比，得到每列图像内背景与花纹的列面积比值q；
根据下式（1）计算面积比值q：
Figure 255553DEST_PATH_IMAGE017
（1）
其中，
Figure 779069DEST_PATH_IMAGE003
为背景像素值的个数，
Figure 585351DEST_PATH_IMAGE004
为花纹像素值的个数；
将各列图像的列面积比值q按顺序进行排列，得到关于背景与花纹的面积比值q变化的列面积比值序列，面积比值序列记为序列A；
利用下式（2）得到序列A：
Figure 759980DEST_PATH_IMAGE002
（2）
S22、根据所述列面积比值序列获取列面积比值q变化的最小周期，即花纹变化的最小周期；
其中，S22步骤中根据列面积比值序列获取列面积比值q变化的最小周期的步骤包括：
S221、按照列面积比值序列中列面积比值q的顺序，统计序列A中各个相同元素的复现间隔，相同元素的复现间隔重组为一个间隔序列An；
根据下式（3）计算间隔序列An的序列个数Y：
Figure 626305DEST_PATH_IMAGE005
（3）
式（3）中，
Figure 135653DEST_PATH_IMAGE006
表示序列A中元素的种类，
Figure 948888DEST_PATH_IMAGE007
，i表示序列A元素种类的第几个种类；
例如：
当序列A=[1,3,2,3,1,2,1,3,1,3,2,3,1,2,1,3,1,3,2,3,1,2,1,3…]
则根据每个数值的复现间隔得到多个间隔序列An，即为：
A1的间隔序列为1=[4,2,2,4,2,2,4,2,2,4,2,2…]
A3的间隔序列为3=[2,4,2,2,4,2,2,4,2,2,4,2…]
A2的间隔序列为2=[3,5,3,5,3,5…]；
S222、为防止噪声等外界因素的影响，导致获取到的部分列面积比值q会出现偏差，进而导致序列A中部分元素的值发生变化，根据下式（4）计算序列An中序列的权重
Figure 978024DEST_PATH_IMAGE008
去除界因素干扰；
Figure 280829DEST_PATH_IMAGE009
（4）
式（4）中，
Figure 762626DEST_PATH_IMAGE008
表示间隔序列An的权重，
Figure 927022DEST_PATH_IMAGE010
表示对应间隔序列An中元素的个数，Y表示间隔序列An的个数，i表示第几个间隔序列An；
S223、根据下式（5）计算An序列中相同元素dn的权重Z；
Figure 810665DEST_PATH_IMAGE011
（5）
S224、根据权重Z和间隔序列An获取列面积比值q变化的最小周期的列数，根据最小周期的列数获取列面积比值q变化的最小周期。
其中，S224步骤中根据权重Z和间隔序列An获取列面积比值q变化的最小周期的列数，最小周期的列数获取列面积比值q变化的最小周期的步骤包括：
S2241、当计算的权重出现Z≥0.85时，记录该权重Z对应的元素数值
Figure 284371DEST_PATH_IMAGE012
；
S2242、当间隔序列An中所有相同元素的权重 Z＜0.85时，对间隔序列An中的元素进行累加，累加的频率初始为2，累计后得到的新序列Cn中元素的权重Z＜0.85时，重复累加操作，即n的值加1，此时n=2，直至得到的新序列Cn中某一元素的权重Z≥0.85时，记录该权重Z对应的元素数值
Figure 253465DEST_PATH_IMAGE012
；
得到下式（6）中的新序列Cn；
Figure 457437DEST_PATH_IMAGE013
（6）
式中，
Figure 461165DEST_PATH_IMAGE014
表示新序列中的元素，
Figure 371353DEST_PATH_IMAGE015
表示间隔序列An的元素，n初始值取1，m表示An序列中第m个元素；
例：1的间隔序列
Figure 100002_DEST_PATH_IMAGE018
累加频率为2，得到子序列一为：
Figure DEST_PATH_IMAGE019
对得到的子序列一重计算权重Z，若子序列一中所有元素的权重Z也都没有满足Z≥0.85时，在初始累加频率的基础上累加频率加1，累加频率为3时，得到的子序列二为：
Figure 100002_DEST_PATH_IMAGE020
得到的子序列二重复计算权重Z，直至子序列二某个元素的权重Z满足Z≥0.85时，循环结束，输出并记录权重Z对应的元素数值
Figure 375212DEST_PATH_IMAGE012
。
S2243、获取每一个权重Z≥0.85的序列Cn得到的
Figure 130678DEST_PATH_IMAGE012
值，对多个
Figure 723334DEST_PATH_IMAGE012
取众数，得到
Figure 53690DEST_PATH_IMAGE016
，此时
Figure 997375DEST_PATH_IMAGE016
即为最小周期的列数；
S2244、最小周期的列数即为一个周期内列面积比值q的个数，根据列面积比值q的个数获取列面积比值q变化的最小周期。
其中，S3步骤中获取所述图像段中所述背景颜色与所述花纹颜色对应的像素点的面积比值序列的步骤包括：S31、对所述图像段进行分行分列处理，每行宽度与分列处理的列宽一致，其中，面积比值序列包括行面积比值序列和列面积比值序列；S32、依据列面积比值序列获取的原理，获取所述图像段中所述背景颜色与所述花纹颜色对应的行像素点的行面积比值序列、所述图像段中所述背景颜色与所述花纹颜色对应的列像素点的列面积比值序列。
其中，S4步骤中获取图像段内针织孔的连通域的中心点坐标；根据中心点坐标确定两个相邻针织孔之间的距离；根据所述距离获取纹理变化序列的步骤包括：S41、对图像段进行二值化处理，得到二值图像，根据二值图像获取图像段的纹理中的针织孔的连通域，根据针织孔的连通域获取连通域的中心点坐标；具体的，S411、将图像段内的rgb图像转换为灰度图像，同一个像素位置3个通道的值进行平均：S412、获取灰度图像内针织网孔的灰度值区间，设定灰度值的阈值区间e，阈值区间e内的像素值设为1，不属于阈值区间的像素值设为0，由此获取针织孔连通域，获取针织孔的连通域中心点坐标。S42、获取图像段中每行两相邻连通域的中心点坐标的行距离、每列两相邻连通域的中心点坐标的行距离，根据列距离和行距离获取每一行的行距离的极大值一及每一列的列距离的极大值二；S43、根据极大值一设定阈值一h1、根据极大值二设定阈值二h2，以阈值一h1和阈值二h2建立对应的行纹理变化曲线和列纹理变化曲线；S44、根据行纹理变化曲线和列纹理变化曲线获取行纹理变化序列和列纹理变化序列。
其中， S5步骤中根据所述纹理变化序列和面积比值序列获取描述曲线的步骤包括：S51、将行面积比值序列与对应的行纹理变化序列对应相乘，得到布匹描述的行序列j；同理将列面积比值序列与对应的列纹理变化序列对应相乘，得到布匹描述的列序列r；S52、根据行序列j和列序列r得到布匹的行模板描述曲线和列模板描述曲线。
其中，由于颜色变化与纹理变化是每段布匹的固有特征，当列描述曲线和行描述曲线发生变化时，则布匹出现缺陷，根据列描述曲线和行描述曲线的变化情况即可分析得到缺陷位置，即S6步骤中将每个图像段的描述曲线与预设的模板描述曲线进行一致性对比，得到缺陷位置的步骤包括：S61、对比每段布匹的列描述曲线和列模板描述曲线的一致性及对比每段布匹的行描述曲线和行模板描述曲线的一致性，得到异常数据，其中曲线一致性不同的即为异常数据；S62、分析异常数据，得出缺陷位置；根据缺陷位置，对布匹缺陷位置进行标注；其中，需要说明的是，模板描述曲线可以利用上述S1到S5的方法，来对标准布匹进行绘制模板描述曲线。
综上所述，本发明实施例提供的一种验布机的布匹缺陷位置的智能检测方法，通过花纹颜色和背景颜色，确定花纹变化的最小周期，根据最小周期对布匹进行分段，然后对其中一段布匹进行处理，得到背景像素点个数与花纹像素点个数的面积比值序列、两个相邻针织孔的距离变化的纹理变化序列，根据面积比值序列和纹理变化序列，得出模板描述曲线，依照上述步骤对待测布匹进行处理得到分段后的每个布匹段的描述曲线，描述曲线与模板描述曲线对比，得出缺陷位置，从而能够快速的对待测布匹进行缺陷检测，检测效率高，检测位置精确，实用性强，值得推广。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (7)

1.一种验布机的布匹缺陷位置的智能检测方法，其特征在于，包括：
获取布匹的图像中所述布匹的花纹颜色和背景颜色；
对图像进行分列处理，根据图像上的每列背景颜色的像素点个数与花纹颜色的像素点个数，获取花纹变化的最小周期；对各列图像上背景颜色的像素点和花纹颜色的像素点的个数作比，得到每列图像内背景与花纹的列面积比值q；将各列图像的列面积比值q按顺序进行排列，得到关于背景与花纹的面积比值q变化的列面积比值序列；根据所述列面积比值序列获取列面积比值q变化的最小周期，即花纹变化的最小周期；
根据最小周期对所述图像进行分段，得到多个图像段，依据列面积比值序列获取的原理，获取所述图像段中所述背景颜色与所述花纹颜色对应的像素点的面积比值序列，面积比值序列包括行面积比值序列和列面积比值序列；
获取图像段内针织孔的连通域的中心点坐标，即对所述图像段进行二值化处理得到二值图像，根据二值图像获取所述图像段的纹理中的针织孔的连通域，根据针织孔的连通域获取连通域的中心点坐标；根据中心点坐标确定两个相邻针织孔之间的距离，即对图像段进行分行分列处理，获取每行两相邻连通域的中心点坐标的行距离、每列两相邻连通域的中心点坐标的列距离；根据所述距离获取纹理变化序列，即根据列距离和行距离获取每一行的行距离的极大值一及每一列的列距离的极大值二；根据极大值一设定阈值一h1、根据极大值二设定阈值二h2，以阈值一h1和阈值二h2建立对应的行纹理变化曲线和列纹理变化曲线；根据行纹理变化曲线和列纹理变化曲线获取对应的行纹理变化序列和列纹理变化序列，行纹理变化序列和列纹理变化序列即为纹理变化序列；
根据所述纹理变化序列和所述面积比值序列获取描述曲线，即将行面积比值序列与对应的行纹理变化序列对应相乘，得到布匹描述的行序列j；同理将列面积比值序列与对应的列纹理变化序列对应相乘，得到布匹描述的列序列r；根据行序列j和列序列r得到布匹的行模板描述曲线和列模板描述曲线，行模板描述曲线和列模板描述曲线即为模板描述曲线；
将每个图像段的描述曲线与预设的模板描述曲线进行一致性对比，得到缺陷位置。
2.如权利要求1所述的一种验布机的布匹缺陷位置的智能检测方法，其特征在于，获取所述图像中所述布匹的花纹颜色和背景颜色的步骤包括：
将图像从RGB颜色空间转换到HSV颜色空间，去除花纹区域；
定义背景区域颜色的上下限阈值，低于下限阈值和高于上限阈值的图像值均变为0；
提取背景区域中的背景颜色，同理得到花纹区域中的花纹颜色。
3.如权利要求1所述的一种验布机的布匹缺陷位置的智能检测方法，其特征在于，得到每列图像内背景与花纹的列面积比值q，将各列图像的列面积比值q按顺序进行排列，得到关于背景与花纹的面积比值q变化的列面积比值序列的步骤包括：
根据下式（1）计算面积比值q：
Figure DEST_PATH_IMAGE002
（1）
面积比值序列记为序列A，利用下式（2）得到序列A：
Figure DEST_PATH_IMAGE004
（2）
其中，
Figure DEST_PATH_IMAGE006
为背景像素值的个数，
Figure DEST_PATH_IMAGE008
为花纹纹理像素值的个数。
4.如权利要求3所述的一种验布机的布匹缺陷位置的智能检测方法，其特征在于，根据所述列面积比值序列获取列面积比值q变化的最小周期的步骤包括：
按照列面积比值序列中列面积比值q的顺序，统计序列A中各个相同元素的复现间隔，相同元素的复现间隔重组为一个间隔序列An；
根据下式（3）计算间隔序列An的序列个数Y：
Figure DEST_PATH_IMAGE010
（3）
式（3）中，
Figure DEST_PATH_IMAGE012
表示序列A中元素的种类，
Figure DEST_PATH_IMAGE014
，i表示序列A元素种类的第几个种类；
根据下式（4）计算间隔序列An中序列的权重
Figure DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE018
（4）
式（4）中，
Figure 528851DEST_PATH_IMAGE016
表示间隔序列An的权重，
Figure DEST_PATH_IMAGE020
表示对应间隔序列An中元素的个数，Y表示间隔序列An的个数，i表示第几个间隔序列An；
根据下式（5）计算An序列中相同元素dn的权重Z
Figure DEST_PATH_IMAGE022
（5）
根据权重Z和间隔序列An获取列面积比值q变化的最小周期的列数，根据最小周期的列数获取列面积比值q变化的最小周期。
5.如权利要求4所述的一种验布机的布匹缺陷位置的智能检测方法，其特征在于，根据权重Z和间隔序列An获取列面积比值q变化的最小周期的列数，根据最小周期的列数获取列面积比值q变化的最小周期的步骤包括：
当计算的权重出现Z≥0.85时，记录该权重Z对应的元素数值
Figure DEST_PATH_IMAGE024
；
当间隔序列An中所有相同元素的权重 Z＜0.85时，对间隔序列An中的元素进行累加，累加的频率初始为2，累计后得到的新序列Cn中元素的权重Z＜0.85时，重复累加操作，即n的值加1，此时n=2，直至得到的新序列Cn中某一元素的权重Z≥0.85时，记录该权重Z对应的元素数值
Figure 524620DEST_PATH_IMAGE024
；
得到下式（6）中的新序列Cn；
Figure DEST_PATH_IMAGE026
（6）
式中，
Figure DEST_PATH_IMAGE028
表示新序列中的元素，
Figure DEST_PATH_IMAGE030
表示间隔序列An的元素，n初始值取1，m表示An序列中第m个元素；
获取每一个权重Z≥0.85的序列Cn得到的
Figure 914144DEST_PATH_IMAGE024
值，对多个
Figure 509686DEST_PATH_IMAGE024
取众数，得到
Figure DEST_PATH_IMAGE032
，此时
Figure 996162DEST_PATH_IMAGE032
即为最小周期的列数；
最小周期的列数即为一个周期内列面积比值q的个数，根据列面积比值q的个数获取列面积比值q变化的最小周期。
6.如权利要求1所述的一种验布机的布匹缺陷位置的智能检测方法，其特征在于，依据列面积比值序列获取的原理获取所述图像段中所述背景颜色与所述花纹颜色对应的像素点的面积比值序列的步骤包括：
对所述图像段进行分行分列处理，每行宽度与分列处理的列宽一致；
获取所述图像段中所述背景颜色与所述花纹颜色对应的行像素点的行面积比值序列、所述图像段中所述背景颜色与所述花纹颜色对应的列像素点的列面积比值序列。
7.如权利要求1所述的一种验布机的布匹缺陷位置的智能检测方法，其特征在于，将每个图像段的描述曲线与预设的模板描述曲线进行一致性对比，得到缺陷位置的步骤包括：
对比每段布匹的列描述曲线和列模板描述曲线的一致性，对比每段布匹的行描述曲线和行模板描述曲线的一致性，得到异常数据，其中曲线一致性不同的即为异常数据；
分析异常数据，得出缺陷位置；
根据缺陷位置，对布匹缺陷位置进行标注。
CN202111262488.1A 2021-10-28 2021-10-28 一种验布机的布匹缺陷位置的智能检测方法 Active CN113706532B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111262488.1A CN113706532B (zh) 2021-10-28 2021-10-28 一种验布机的布匹缺陷位置的智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111262488.1A CN113706532B (zh) 2021-10-28 2021-10-28 一种验布机的布匹缺陷位置的智能检测方法

Publications (2)

Publication Number Publication Date
CN113706532A true CN113706532A (zh) 2021-11-26
CN113706532B CN113706532B (zh) 2022-02-08

Family

ID=78647419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111262488.1A Active CN113706532B (zh) 2021-10-28 2021-10-28 一种验布机的布匹缺陷位置的智能检测方法

Country Status (1)

Country Link
CN (1) CN113706532B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612385A (zh) * 2022-01-31 2022-06-10 南通市通州区锦都拉链有限公司 一种基于模板匹配的拉链布边缺陷识别方法
CN114723705A (zh) * 2022-03-31 2022-07-08 海门市恒创织带有限公司 一种基于图像处理的布匹瑕疵的检测方法
CN114821284A (zh) * 2022-06-30 2022-07-29 南通捷茜纺织科技有限公司 一种纺织品生产用码布机智能调节方法
CN115082460A (zh) * 2022-08-18 2022-09-20 聊城市恒丰电子有限公司 一种织布生产线质量监控方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008158586A (ja) * 2006-12-20 2008-07-10 Fuji Xerox Co Ltd 画像処理装置及び画像処理プログラム
CN102221559A (zh) * 2011-03-05 2011-10-19 河海大学常州校区 基于机器视觉的织物疵点在线自动检测方法及其装置
CN108154510A (zh) * 2018-01-17 2018-06-12 深圳市亿图视觉自动化技术有限公司 产品表面缺陷检测方法、装置及计算机可读存储介质
CN111861996A (zh) * 2020-06-23 2020-10-30 西安工程大学 一种印花织物疵点检测方法
CN112102224A (zh) * 2019-06-18 2020-12-18 浙江工业大学 一种基于深度卷积神经网络的布匹疵点识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008158586A (ja) * 2006-12-20 2008-07-10 Fuji Xerox Co Ltd 画像処理装置及び画像処理プログラム
CN102221559A (zh) * 2011-03-05 2011-10-19 河海大学常州校区 基于机器视觉的织物疵点在线自动检测方法及其装置
CN108154510A (zh) * 2018-01-17 2018-06-12 深圳市亿图视觉自动化技术有限公司 产品表面缺陷检测方法、装置及计算机可读存储介质
CN112102224A (zh) * 2019-06-18 2020-12-18 浙江工业大学 一种基于深度卷积神经网络的布匹疵点识别方法
CN111861996A (zh) * 2020-06-23 2020-10-30 西安工程大学 一种印花织物疵点检测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612385A (zh) * 2022-01-31 2022-06-10 南通市通州区锦都拉链有限公司 一种基于模板匹配的拉链布边缺陷识别方法
CN114612385B (zh) * 2022-01-31 2023-06-13 南通市通州区锦都拉链有限公司 一种基于模板匹配的拉链布边缺陷识别方法
CN114723705A (zh) * 2022-03-31 2022-07-08 海门市恒创织带有限公司 一种基于图像处理的布匹瑕疵的检测方法
CN114723705B (zh) * 2022-03-31 2023-08-22 深圳市启灵图像科技有限公司 一种基于图像处理的布匹瑕疵的检测方法
CN114821284A (zh) * 2022-06-30 2022-07-29 南通捷茜纺织科技有限公司 一种纺织品生产用码布机智能调节方法
CN114821284B (zh) * 2022-06-30 2022-09-02 南通捷茜纺织科技有限公司 一种纺织品生产用码布机智能调节方法
CN115082460A (zh) * 2022-08-18 2022-09-20 聊城市恒丰电子有限公司 一种织布生产线质量监控方法及系统

Also Published As

Publication number Publication date
CN113706532B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN113706532B (zh) 一种验布机的布匹缺陷位置的智能检测方法
CN111861996B (zh) 一种印花织物疵点检测方法
CN114842027A (zh) 基于灰度共生矩阵的织物疵点分割方法和系统
CN114926436B (zh) 一种用于周期性花纹织物的缺陷检测方法
CN115311303B (zh) 一种纺织品经纬缺陷检测方法
CN115345885A (zh) 一种金属健身器材外观质量检测方法
CN115131348B (zh) 一种纺织品表面缺陷的检测方法及系统
CN111127383A (zh) 一种数码印花在线缺陷检测系统及其实现方法
CN103866551B (zh) 基于机器视觉的织物纬斜快速探测方法
CN116630309B (zh) 一种布匹断纬瑕疵检测方法
CN109211918B (zh) 一种基于纬纱走向的织物弓纬检测方法
CN110781913B (zh) 一种拉链布带缺陷检测方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN113888536B (zh) 一种基于计算机视觉的印刷品重影检测方法及系统
CN115131353B (zh) 平网印花纺织品生产异常识别定位方法及系统
CN113034488A (zh) 一种喷墨印刷品的视觉检测方法
CN113838038A (zh) 一种碳纤维布面疵点检测方法、装置、电子设备和存储介质
CN117252864B (zh) 基于标识解析的钢铁生产器件光滑度检测系统
CN101464998A (zh) 面向纺织行业的非高斯纹理噪声平滑滤波方法
CN114972173A (zh) 缺陷检测方法和缺陷检测装置及系统
CN114693686B (zh) 一种用于床单布匹污渍检测的方法
CN109165650B (zh) 印花织物图像最小重复单元自动检测方法
CN116309324A (zh) 一种纺织品瑕疵检测方法
CN116485832A (zh) 用于废硅片回收的不均布流体杂质边缘精准检测方法
CN115578388B (zh) 用于纺织生产的数据处理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant